diffusers/main/tr/api/models/cogvideox_transformer3d.md

CogVideoXTransformer3DModel

CogVideoX'ten 3D veriler için bir Diffusion Transformer modeli, Tsinghua University & ZhipuAI tarafından CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer makalesinde tanıtılmıştır.

Model, aşağıdaki kod parçasıyla yüklenebilir.

from diffusers import CogVideoXTransformer3DModel

transformer = CogVideoXTransformer3DModel.from_pretrained("THUDM/CogVideoX-2b", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

CogVideoXTransformer3DModel[[diffusers.CogVideoXTransformer3DModel]]

diffusers.CogVideoXTransformer3DModel[[diffusers.CogVideoXTransformer3DModel]]

diffusers.CogVideoXTransformer3DModel(num_attention_heads: int = 30, attention_head_dim: int = 64, in_channels: int = 16, out_channels: int | None = 16, flip_sin_to_cos: bool = True, freq_shift: int = 0, time_embed_dim: int = 512, ofs_embed_dim: int | None = None, text_embed_dim: int = 4096, num_layers: int = 30, dropout: float = 0.0, attention_bias: bool = True, sample_width: int = 90, sample_height: int = 60, sample_frames: int = 49, patch_size: int = 2, patch_size_t: int | None = None, temporal_compression_ratio: int = 4, max_text_seq_length: int = 226, activation_fn: str = 'gelu-approximate', timestep_activation_fn: str = 'silu', norm_elementwise_affine: bool = True, norm_eps: float = 1e-05, spatial_interpolation_scale: float = 1.875, temporal_interpolation_scale: float = 1.0, use_rotary_positional_embeddings: bool = False, use_learned_positional_embeddings: bool = False, patch_bias: bool = True)

Kaynak

Parametreler:

num_attention_heads (int, varsayılan 30) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (int, varsayılan 64) : Her baştaki kanal sayısı.

in_channels (int, varsayılan 16) : Girdideki kanal sayısı.

out_channels (int, isteğe bağlı, varsayılan 16) : Çıktıdaki kanal sayısı.

flip_sin_to_cos (bool, varsayılan True) : Zaman gömümünde sin'in cos'a çevrilip çevrilmeyeceğini belirtir.

time_embed_dim (int, varsayılan 512) : Zaman adımları gömme çıktısının boyutu.

ofs_embed_dim (int, varsayılan 512) : CogVideoX-5b-I2B'nin 1.5 sürümünde kullanılan "ofs" gömme vektörlerinin çıktı boyutu

text_embed_dim (int, varsayılan 4096) : Metin kodlayıcısından gelen metin gömme girdi boyutu.

num_layers (int, varsayılan 30) : Kullanılacak Transformer bloğu katman sayısı.

dropout (float, varsayılan 0.0) : Kullanılacak dropout olasılığı.

attention_bias (bool, varsayılan True) : Dikkat projeksiyon katmanlarında sapma (bias) kullanılıp kullanılmayacağı.

sample_width (int, varsayılan 90) : Girdi latentlerinin genişliği.

sample_height (int, varsayılan 60) : Girdi latentlerinin yüksekliği.

sample_frames (int, varsayılan 49) : Girdi latentlerindeki kare sayısı. Not: CogVideoX, varsayılan ve önerilen ayarlarında 13 latent kareyi birden işlemektedir; bu nedenle bu parametre 13 yerine yanlışlıkla 49 olarak başlatılmıştır. Ancak geriye dönük uyumluluğu sağlamak için doğru değere değiştirilemez. K latent kareli bir dönüştürücü oluşturmak için buraya geçirilmesi gereken doğru değer şudur: ((K - 1) * temporal_compression_ratio + 1).

patch_size (int, varsayılan 2) : Yama gömme katmanında kullanılacak yamaların boyutu.

temporal_compression_ratio (int, varsayılan 4) : Zaman boyutu boyunca sıkıştırma oranı. sample_frames belgelendirmesine bakın.

max_text_seq_length (int, varsayılan 226) : Girdi metin gömme dizilerinin en uzun uzunluğu.

activation_fn (str, varsayılan "gelu-approximate") : İleri beslemeli ağda kullanılacak aktivasyon fonksiyonu.

timestep_activation_fn (str, varsayılan "silu") : Zaman adımları gömmelemelerini üretirken kullanılacak aktivasyon fonksiyonu.

norm_elementwise_affine (bool, varsayılan True) : Normalizasyon katmanlarında öge bazlı afin dönüşümün kullanılıp kullanılmayacağı.

norm_eps (float, varsayılan 1e-5) : Normalizasyon katmanlarında kullanılacak epsilon değeri.

spatial_interpolation_scale (float, varsayılan 1.875) : Uzamsal boyutlar boyunca 3B konumsal gömme uygulamalarında uygulanacak ölçekleme faktörü.

temporal_interpolation_scale (float, varsayılan 1.0) : 3B konumsal gömme (positional embeddings) içinde zaman boyutları boyunca uygulanacak ölçekleme faktörü.

CogVideoX içinde video benzeri veriler için bir Transformer modeli.

forward[[diffusers.CogVideoXTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: typing.Union[int, float, torch.LongTensor], timestep_cond: typing.Optional[torch.Tensor] = None, ofs: typing.Union[int, float, torch.LongTensor, NoneType] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | None = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (batch_size, num_frames, channels, height, width)) : Girdi hidden_states.

encoder_hidden_states (torch.Tensor, şekli (batch_size, sequence_len, embed_dims)) : Kullanılacak koşullu gömlemeler (giriş koşullarından, örneğin istemlerden hesaplanan gömlemeler).

timestep (torch.LongTensor) : Gürültü azaltma adımını belirtmek için kullanılır.

timestep_cond (torch.Tensor, isteğe bağlı) : Zaman adımı için koşullu gömme. Sağlanırsa, gömmeler self.time_embedding katmanından geçirilen örneklerle toplanarak nihai zaman adımı gömmeleri elde edilir.

ofs (torch.Tensor, isteğe bağlı) : CogVideoX-5b-I2V'de kullanılan ofset gömme değerleri.

image_rotary_emb (tuple of torch.Tensor, isteğe bağlı) : Ön hesaplanmış döner konumsal gömme (embedding) değerleri.

attention_kwargs (dict, isteğe bağlı) : Belirtilirse, diffusers.models.attention_processor içinde self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.transformer_2d.Transformer2DModelOutput döndürülüp döndürülmediğini belirtir.

Dönüş:

return_dict True ise, ~models.transformer_2d.Transformer2DModelOutput döndürülür, aksi takdirde ilk öğesi örnek tensörü olan bir tuple döndürülür.

CogVideoXTransformer3DModel ileri yöntemi.

fuse_qkv_projections[[diffusers.CogVideoXTransformer3DModel.fuse_qkv_projections]]

fuse_qkv_projections()

Kaynak

Füzyonlu QKV projeksiyonlarını etkinleştirir. Kendi dikkat (self-attention) modülleri için tüm projeksiyon matrisleri (yani sorgu, anahtar, değer) füzyonlanır. Çapraz dikkat (cross-attention) modülleri için anahtar ve değer projeksiyon matrisleri füzyonlanır.

> Bu API 🧪 deneyseldir.

unfuse_qkv_projections[[diffusers.CogVideoXTransformer3DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Kaynak

Etkinleştirilmişse birleşik QKV projeksiyonunu devre dışı bırakır.

> Bu API 🧪 deneyseldir.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width) veya Transformer2DModel ayrık (discrete) ise (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

Transformer2DModel'nin çıktısı.